#论文 · AI 短帖与讨论

Agent看起来每一步都在自由发挥，但把几千条执行轨迹摊开后，它的行为可能只剩下几十个状态。 UCL和Holistic AI团队这篇论文做了一件很有意思的实验：把Agent的历史轨迹压缩成一张有限状态机（FSM）。 核心发现： ✅ 状态压缩：在12个公开数据集上，FSM只有7-43个状态，却能以≥0.997的拟合度重放未见过的轨迹 ✅ 快速构建：几毫秒就能构建完成 ✅ 预测能力：在下一步预测上，8/8数据集都超过Agent Workflow Memory；失败预测最高AUROC达到0.94 ✅ 早停机制：在SWE-agent上，系统可以在失败任务平均只执行到32%时触发早停，省掉约68%的计算 更值得关注的发现：换不同LLM，Agent的行为拓扑依然非常相似。底座模型会影响每一步怎么选，但harness可能早已经把「有哪些路可以走」画出了大致边界。 以后分析Agent，不能只盯着模型输出。它反复走哪些路径、在哪里进入循环、失败前会经过哪些状态，本身就是一层很有价值的可观测信号。 arxiv.org/abs/2608.23670

最近有人整理了一份AI论文精选36篇，按四条历史主线分类，覆盖了从模型范式变迁到多模态发展的完整脉络。 这份清单的特别之处在于它不是随机堆砌论文，而是按照「模型范式」「基础设施与数据」「语言模型」「多模态」四条主线串联起来。每条线都能回答一个核心问题：技术为什么会变成今天的样子？ 比如模型范式这条线，从2004年的Brook for GPUs一路讲到2022年的ReAct，你能清晰看到神经网络为什么变深、Attention为什么出现、Transformer和MoE又是从哪里来的。基础设施这条线则展示了模型怎样从单机实验扩展到万卡训练。 整理者还贴心地按难度排序了10篇必读论文：Attention Is All You Need、GPT-1/2/3、Scaling Laws、Chinchilla、InstructGPT、LoRA、ReAct、CLIP。建议第一次读不要逐行推公式，先看摘要和核心图，把因果链串起来就行。 这种按主线串联的方式，比单纯罗列论文有价值得多。对于想系统理解AI发展脉络的人来说，这份清单是个很好的起点。

最近有人整理了一份AI论文精选36篇，按四条历史主线分类，覆盖了从模型范式变迁到多模态发展的完整脉络。 这份清单的特别之处在于它不是随机堆砌论文，而是按照「模型范式」「基础设施与数据」「语言模型」「多模态」四条主线串联起来。每条线都能回答一个核心问题：技术为什么会变成今天的样子？ 比如模型范式这条线，从2004年的Brook for GPUs一路讲到2022年的ReAct，你能清晰看到神经网络为什么变深、Attention为什么出现、Transformer和MoE又是从哪里来的。基础设施这条线则展示了模型怎样从单机实验扩展到万卡训练。 整理者还贴心地按难度排序了10篇必读论文：Attention Is All You Need、GPT-1/2/3、Scaling Laws、Chinchilla、InstructGPT、LoRA、ReAct、CLIP。建议第一次读不要逐行推公式，先看摘要和核心图，把因果链串起来就行。 这种按主线串联的方式，比单纯罗列论文有价值得多。对于想系统理解AI发展脉络的人来说，这份清单是个很好的起点。